Neurohive пишет о моделях, исследованиях и инструментах машинного обучения. Подойдёт читателям, которые следят за разработкой нейросетей и открытыми проектами.

5 820подписчиков4переходов1просмотров страницы

Подписчики и просмотры публикации — из публичного предпросмотра Telegram; переходы и просмотры страницы — с сайта. Обновлено 21.11.2026

О канале

Neurohive пишет о моделях, исследованиях и инструментах машинного обучения. Подойдёт читателям, которые следят за разработкой нейросетей и открытыми проектами. В публичной ленте доступны текстовые публикации, фотографии, видео, ссылки. Описание составлено по профилю и доступным публикациям канала; проверка выполнена 28 октября 2026 года. [Открыть публичный предпросмотр Telegram](https://t.me/s/neurohive).

Аудитория канала

Число подписчиков из публичного предпросмотра Telegram. Сохраняем реальные замеры при обновлении данных. Разрыв линии означает перерыв в замерах более трёх дней.

Изменение между первым и последним замером: +290

Замеры в таблице (13)
ДатаПодписчиков
28.10.265 530
30.10.265 540
01.11.265 560
03.11.265 600
05.11.265 600
07.11.265 620
09.11.265 620
11.11.265 620
13.11.265 610
15.11.265 650
17.11.265 670
19.11.265 680
21.11.265 820

Перед подпиской

Доступ
Публичный канал
Язык публикаций
Русский
Формат
текстовые публикации, фотографии, видео, ссылки
Кому подходит
Подойдёт читателям, которые следят за разработкой нейросетей и открытыми проектами.
Последняя известная публикация
20.11.2026, 13:50:39 МСК
Проверка адреса
Адрес Telegram ответил — 21.11.2026, 22:12:11 МСК. Успешный HTTP-ответ не подтверждает действительность приглашения.
Предпросмотр Telegram
Получен 21.11.2026, 22:01:53 МСК. Это не подтверждает действительность закрытого приглашения.
Редакционная проверка сведений
28.10.2026

Принадлежность канала редакцией не подтверждена.

Как проверяются данные →

История изменений

Сохраняется с момента подключения журнала. Смена адреса сама по себе не подтверждает сохранение владельца.

  • — Доступность адреса: unknown → reachableИсточник: Фоновая HTTP-проверка адреса Telegram

Последние публикации

Обновляются раз в 2 дня
Neurohive@neurohive
Изображение публикации

💍 WeVisForensics-4B: открытый ИИ-агент распознаёт сгенерированные видео с точностью 95.2% Исследователи WeChat Vision и Nanjing University представили ИИ-агента WeVisForensics, который распознаёт сгенерированные видео и подкрепляет вердикт выводами с привязкой к таймингу. Агент построен на Qwen3.5-4B с 4 млрд параметров, поэтому для локального запуска хватает одной видеокарты с 24 ГБ. При этом он набирает в среднем 95.2% на четырёх бенчмарках, на 9 пунктов больше прошлого лидера VideoVeritas. Для сравнения, Gemini-3.1-Pro на GenBuster-Bench++ находит 99% подделок, но заодно бракует настоящие видео, поэтому её точность всего 54.3% Внутри WeVisForensics работает небольшая команда. Главный агент бегло просматривает до 16 кадров ролика и решает, кого из шести экспертов позвать: по внешнему виду, физике, здравому смыслу, тексту в кадре, голосу или речи. Он же выбирает, какой отрезок им показать и когда данных хватает для вердикта. Эксперты отвечают с привязкой к таймингу, поэтому вердикт можно проверить по кадрам: неестественно гладкое лицо, слипшиеся объекты, кривой текст, или мужской голос у женщины в кадре. В отличие от прошлых агентных детекторов, дообучается не только главный агент, но и визуальные эксперты. Агента обновляют на каждом батче, а экспертов раз в 20 шагов (метод DTPO), иначе они мешают друг другу учиться. Сильнее всех вырос эксперт по физике: на GenBuster-Bench его F1 поднялся с 66.5% до 97.8%. Результаты. На GenBuster-Bench, близком к обучающим данным, WeVisForensics набирает 97.7% против 94.3% у VideoVeritas. На бенчмарках с генераторами, которых не было в обучении, отрыв больше: 97.5% против 91.4% на GenBuster-Bench++ и 88.0% против 82.2% на MintVid. На новом бенчмарке AgenticCue агент получает 97-98.8% в каждой из пяти категорий артефактов, а у VideoVeritas на звуке только 69.3%. Сама Qwen3.5-4B без дообучения в среднем набирает 74.3%. Слабее агент на незнакомых коммерческих генераторах: на роликах Sora 2 из MintVid он ловит только 64.6% подделок. Большие универсальные модели справляются неровно. У Qwen3.5-397B точность на AgenticCue 94.5% в категории здравого смысла и 54.1% в категории звука. Gemini-3.1-Pro находит 99% подделок на GenBuster-Bench++, но бракует и настоящие видео, поэтому её точность там всего 54.3%. Код инференса, демо и LoRA-адаптеры открыты под лицензией Apache 2.0 и лежат на GitHub и Hugging Face. Датасет ForenCue-30K и код обучения не опубликованы, бенчмарк AgenticCue обещают выложить позже. #Stateoftheart

Neurohive@neurohive
Изображение публикации

🎥 FastFrames: метод Apple ускоряет генерацию видео до 36 мс на кадр без потери качества Исследователи Apple и Cornell University представили FastFrames - метод ускорения уже обученных авторегрессионных видеомоделей. Трансформер модели остаётся прежним, а медленные части вокруг него заменяются лёгкими сетями. Авторы собрали с этим методом две модели, которые генерируют видео кадр за кадром быстрее чем за 50 мс. FastFrames-S собрана на основе Causal Forcing++, самой быстрой из существующих моделей. Скорость генерации выросла в разы - 36 мс вместо 272 мс при 480p на одной B200, и по качеству видео не уступает оригиналу. FastFrames-L на 14 млрд параметров укладывается в 45 мс на восьми B200. Авторы оценивали такие модели не по FPS, а по задержке ответа: сколько проходит от команды пользователя до первого кадра, где видна реакция. Разница бывает огромной. Helios заявляет 19.5 FPS на одной H100, но в замерах авторов даже на B200 её ответа приходится ждать 2.5 секунды. Чтобы найти, где теряется время, авторы разобрали по шагам Causal Forcing++. Оказалось, что само расшумление занимает лишь около 30% времени, а больше всего уходит на декодер VAE: 147 мс из 272. FastFrames заменяет его пиксельным декодером, который работает прямо на токенах трансформера и тратит 0.9 мс. Лишний проход трансформера ради обновления KV-кэша заменила маленькая сеть: 2 мс вместо 41.6 мс. Остальное дали инженерные оптимизации вроде CUDA graphs: каждый проход трансформера ускорился с 41.6 до 16.4 мс. Общая оценка качества при этом не просела: FastFrames-S набирает в VBench 84.23 против 84.11 у Causal Forcing++, а FastFrames-L 84.44 против 84.42 у Krea-Realtime того же размера и на одной видеокарте работает в 10.6 раза быстрее. Те же приёмы ускорили в 16 раз модель мира LingBot, где камерой управляют с клавиатуры: задержка ответа упала с 842 до 52 мс. Задержку от 50-60 мс люди уже замечают, поэтому такая скорость нужна играм и интерактивным симуляторам мира. Все главные замеры сделаны при 480p на дорогих B200. При 720p задержка вырастает до 116-127 мс, а на H100 те же операции идут на 25-50% медленнее. Код инференса и обучения выложен на GitHub под лицензией Apple Sample Code License. Веса FastFrames-S и FastFrames-L на Hugging Face доступны только для некоммерческих исследований. #Stateoftheart